AlphaEvolve 總覽

AlphaEvolve 是專門的 AI 程式碼編寫代理程式，可使用演化方法解決演算法探索、數學搜尋和組合最佳化用途。特別適合用於 NP 完全問題或 NP 困難最佳化問題。

AlphaEvolve 的主要輸入內容是特定程式設計語言的程式碼區塊，這些程式碼定義了需要解決的演算法探索或組合搜尋用途。輸入的程式碼在功能上應正確無誤，但仍需經過最佳化，才能符合一組使用者指定的評估指標所定義的特定全域 (非功能性) 效能條件。

代理程式會使用最先進的演化啟發式方法，搜尋所有可能的演算法設計選項和數學決策變數空間。AlphaEvolve 就能找出可逐步提升目標最佳化目標成效的新計畫。

AlphaEvolve 會對多個連續世代的候選程式反覆執行這項啟發式演算法，直到發現符合用途整體效能目標的全新解決方案為止。

不應使用 AlphaEvolve 的情況

在下列情況中，您無法使用 AlphaEvolve：

• 基本程式碼生成：AlphaEvolve 並非一般用途的開發人員助理 (例如 Gemini CLI 或程式設計助理)。不會採用純自然語言描述或不完整、無法運作的程式碼，輸出基本功能程式碼。
• 程式碼檢查和程式碼樣式：AlphaEvolve 並非用於基本程式碼最佳化，例如根據軟體工程最佳做法或標準程式碼檢查清理程式碼。

AlphaEvolve 專為需要創新設計和執行圖的程式碼最佳化情境而設計。這項工具的用途是搜尋可能的解決方案，這些解決方案的設定空間非常龐大，所有候選方案在功能上都正確無誤，但只有一部分符合全球效能標準。

最佳化求解器和啟發式演算法的範圍

下表列出 AlphaEvolve 相對傳統最佳化求解器和啟發式演算法的適用範圍。

解題工具類別	這類解決人員通常處理的問題類型	演算法範例	AlphaEvolve 適用嗎？	AlphaEvolve 差異化功能
使用連續變數的凸函數最佳化方法	線性規劃 二次規劃 非線性規劃 非凸函數最佳化	單純形法 內部點方法	不適合。 現有演算法可提供精確的解決方案，且可能比 AE 更有效。
梯度式方法		梯度下降法 (SGD 和相關方法) 準牛頓法 (BFGS、L-BFGS)
數學規劃和正式方法 (即「傳統」OR 方法)	整數規劃 混合整數線性規劃 限制滿足問題	以 KKT 為基礎的方法 限制鬆弛 (本身不是演算法，而是多種演算法使用的方法) 對偶性和拉格朗日方法 分支定界 分支和剪下	可能適用。 此外，AE 也可做為擴增或調整現有工具的方法。
元啟發式搜尋方法	目標函式不規則 / 不可微分的問題。 線上最佳化問題	基因演算法 演化搜尋 模擬退火 粒子群最佳化	可能適用。 此外，AE 也可做為擴增或調整現有工具的方法。
貝氏最佳化	不明或不透明方塊目標函式的問題。 調整機器學習管道	以高斯過程為基礎 樹狀結構 (TPE、SMAC)	絕對適用。
LLM + 元啟發式搜尋型代理程式	程式碼和演算法最佳化用途 非結構化 / 語意搜尋空間的問題 (無法分解為一組離散的決策變數) 最佳化最佳化工具的用途	AlphaEvolve FunSearch (舊版)	絕對適用。 (可做為直接最佳化方法，或用來改善現有的貝氏最佳化方法)